CN105205806B - 一种基于机器视觉的精度补偿方法 - Google Patents

一种基于机器视觉的精度补偿方法 Download PDF

Info

Publication number
CN105205806B
CN105205806B CN201510511620.6A CN201510511620A CN105205806B CN 105205806 B CN105205806 B CN 105205806B CN 201510511620 A CN201510511620 A CN 201510511620A CN 105205806 B CN105205806 B CN 105205806B
Authority
CN
China
Prior art keywords
photographing module
compensation
accuracy
machine vision
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510511620.6A
Other languages
English (en)
Other versions
CN105205806A (zh
Inventor
田少华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Kejie Technology Co Ltd
Original Assignee
GUANGDONG KEJIE MACHINERY AUTOMATION CO Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GUANGDONG KEJIE MACHINERY AUTOMATION CO Ltd filed Critical GUANGDONG KEJIE MACHINERY AUTOMATION CO Ltd
Priority to CN201510511620.6A priority Critical patent/CN105205806B/zh
Publication of CN105205806A publication Critical patent/CN105205806A/zh
Application granted granted Critical
Publication of CN105205806B publication Critical patent/CN105205806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Abstract

本发明公开了一种基于机器视觉的精度补偿方法，包括以下步骤：布置摄像模块和精度补偿目标；通过识别标定件中的特定元素，确定摄像模块的畸变系数和本征旋转角；采用正则化网络插值算法和预设的惩罚系数，对所述多个已知点的识别值进行逼近和拟合；通过摄像模块识别与所述多个特征点对应的实际位置点集；根据所述原始位置点集和所述实际位置点集，采用迭代算法计算旋转转换数据和偏移转换数据，然后将所述旋转转换数据和偏移转换数据分配到所述精度补偿目标。本发明的有益效果为：显著减少了传统的视觉定位设备或自动化设备中人为定位所带来的误差，实现从摄像模块自身的参数补偿到自动化设备的目标的坐标和路径补偿的一系列完整精度补偿方案。

Description

一种基于机器视觉的精度补偿方法
技术领域
本发明涉及一种基于机器视觉的精度补偿方法，适用于自动化设备的坐标和路径补偿。
背景技术
随着我国制造业的飞速发展，对生产设备的精度要求也越来越高。当前最有效的提高精度的方案是采用各种精度补偿技术。而在自动化设备领域，机器视觉系统的作用在于，通过识别在经过工件上的若干个特征点(也称为Mark点)，计算出工件在工作台上的实际坐标相对原始坐标的旋转量和偏移量。自动化设备的数控系统获得所述旋转量和偏移量后，可以对原始坐标原点和运动路径(比如，加工刀路)进行修正，这样就能够产生更优的运动曲线和更准确的生产效果(比如，获得更优的加工轮廓)。
机器视觉系统一般由成像模块和软件识别模块组成。这两部分都会存在误差，前者的误差主要是由光学部件固有的径向畸变和切向畸变造成，不可避免，后者本质上就是由视觉处理函数库引起。成像模块造成的误差是最大的，而且减少该误差的代价尤其昂贵，比如可以采用更好的镜头(比如远心镜头)来减少径向畸变，或者，采用更高精密的摄像机，采用专门的仪器来检测镜头和摄像机的安装精度来减少切向畸变，这样会花费更多的时间来调整，成本也更高。当前的机器视觉函数库还无法计算出精确解，只能无穷接近解决目标，因此采用图像处理库来最小化由软件识别模块所带来的误差仍然存在技术难题。
发明内容
为了解决上述技术问题，本发明提供一种基于机器视觉的精度补偿方法，实现了从摄像模块自身的参数补偿到自动化设备的目标的坐标和路径补偿的一系列完整的精度补偿方案。
本发明采用的技术方案为一种基于机器视觉的精度补偿方法，包括以下步骤：A、布置摄像模块和精度补偿目标，固定所述摄像模块，并且使所述精度补偿目标可动地处于所述摄像模块的视场内；B、通过识别标定件中的特定元素，确定摄像模块的畸变系数和本征旋转角；C、通过摄像模块对多个处于预设位置的已知点进行识别，然后采用正则化网络插值算法和预设的惩罚系数，对所述多个已知点的识别值进行逼近和拟合，从而实现所述摄像模块的识别精度补偿；D、对摄像模块的畸变系数、本征旋转角和识别精度补偿后，获取多个精度补偿目标上的多个特征点的原始位置点集，通过摄像模块识别与所述多个特征点对应的实际位置点集；E、根据所述原始位置点集和所述实际位置点集，采用迭代算法计算旋转转换数据和偏移转换数据，然后将所述旋转转换数据和偏移转换数据分配到所述精度补偿目标从而实现精度补偿。
作为本发明的进一步改进，所述步骤A包括：布置一个或多个光源设备，以保证所述摄像模块的视场内的物体被充分照明。
作为本发明的进一步改进，所述步骤B包括：通过识别多个方位的栅格标定板中的边缘，调用本地图像处理库来计算摄像模块的径向畸变系数，并且计算单应矩阵以确定摄像模块的切向畸变系数。
作为本发明的进一步改进，所述步骤B还包括：使所述精度补偿目标等距地沿直角坐标轴移动多次并且同时通过所述摄像模块在每次移动时获取所述精度补偿目标上的特定点，然后采用主元分析法对获取的多个特定点计算得到所述摄像模块的本征旋转角。
作为本发明的进一步改进，所述步骤C包括：配置标准化网格模板用于生成正则化网络插值，所述标准化网格模板由预设间距的多个圆形的点阵元件组成；将点阵置于所述摄像模块的视场内并采集所述标准化网格模板的图像；通过圆周拟合求出各个点阵元件的实际的位置数据，将该位置数据中心化并且根据标准化网格模板中的点阵元件的间距数据进行位置摆正，从而获得用于正则化网络插值的二维插值网格。
优选地，所述步骤C中预设的惩罚系数大于0并且小于等于0.3。
作为本发明的进一步改进，所述步骤D包括：通过数控系统控制所述精度补偿目标定位在多个预设的位置，所述数控系统每次定位所述精度补偿目标的同时，发送信号到所述摄像模块以触发摄像模块同步采集所述精度补偿目标上的特征点。
优选地，所述步骤E中采用的迭代算法为列文伯格-马夸尔特法。
作为本发明的进一步改进，所述摄像模块包括摄像头和镜头，所述精度补偿目标包括与数控设备的坐标系关联的工作台、工件和/或定位构件。
本发明的有益效果为：显著减少了传统的视觉定位设备或自动化设备中人为定位所带来的误差；采用较低成本的方式实现了从摄像模块自身的参数补偿到自动化设备的目标的坐标和路径补偿的一系列完整的精度补偿方案。
附图说明
图1所示为根据本发明的基于机器视觉的精度补偿方法的步骤流程图；
图2所示为根据本发明一实施例中的栅格标定板；
图3所示为根据本发明一实施例中求解本征旋转角时采用的主元分析法示意图；
图4所示为根据本发明一实施例中图像识别精度补偿时选取不同的惩罚系数的结果图；
图5所示为根据本发明一实施例中的标准化网格模板；
图6所示为根据本发明一实施例中原始点集与目标点集之间的转换示意图。
具体实施方式
下面通过附图和实例对本发明作进一步的详细描述和解析。
参照图1所示为根据本发明的基于机器视觉的精度补偿方法的步骤流程图。该方法包括以下步骤：A、布置摄像模块和精度补偿目标，固定所述摄像模块，并且使所述精度补偿目标可动地处于所述摄像模块的视场内；B、通过识别标定件中的特定元素，确定摄像模块的畸变系数和本征旋转角；C、通过摄像模块对多个处于预设位置的已知点进行识别，然后采用正则化网络插值算法和预设的惩罚系数，对所述多个已知点的识别值进行逼近和拟合，从而实现所述摄像模块的识别精度补偿；D、对摄像模块的畸变系数、本征旋转角和识别精度补偿后，获取多个精度补偿目标上的多个特征点的原始位置点集，通过摄像模块识别与所述多个特征点对应的实际位置点集；E、根据所述原始位置点集和所述实际位置点集，采用迭代算法计算旋转转换数据和偏移转换数据，然后将所述旋转转换数据和偏移转换数据分配到所述精度补偿目标从而实现精度补偿。
具体地，所述摄像模块包括摄像头和镜头，所述精度补偿目标包括与数控设备的坐标系关联的工作台、工件和/或定位构件。为了使摄像模块能够采集清晰的图像，需要为其可视区域提供充足的关照。优选地，可以在精度补偿目标的附近布置光源装置，或者可以在镜头前端布置同轴光源。
下面，在一些实施例中具体说明上述的步骤。
在步骤B中，确定镜头的径向畸变系数的方法是通过提取栅格标定板(如图2所示)的一组边缘，再通过Halcon图像处理库(由MVtec公司开发的一套标准的机器视觉算法包)的径向畸变自校正函数来计算获得径向畸变系数(K)。如果采用良好的镜头而计算得到非常小的径向畸变系数(比如，K＝-1.25027e-009)，则可以忽略不计，即是不需要对镜头进行径向畸变补偿。此外，镜头的切向畸变是由于透镜安装缺陷使得透镜本身与感光元件(比如CCD)的成像平面不平行而产生。镜头的切向畸变需要专业的仪器才能精确检测出来，但是可以通过单应矩阵(Homography matrix)来判定，该单应矩阵可以通过上述的图像处理库和标定板的图像识别来计算。例如，如果计算得到的3×3单应矩阵如下：
1.0006186618301109e+000 2.3334767575061032e-004 2.5603378911972030e-003
-1.5549515105907892e-004 1.0057039553171050e+000 -1.1257567778702009C-003
-2.6606411767098553e-005 8.5831054781777461e-005 1.0
矩阵的主对角线两侧的数的绝对值不对称，说明存在径向畸变(Y方向比X方向严重)，并直接影响成像质量和最终的检测精度，需要进行校正。公知地，上述的两种畸变以及其他因素对图像品质和检测精度的影响可以通过数值分析法来校正。
同样在步骤B中，还需要确定摄像机的本征旋转角。本质旋转角是在摄像机安装时形成的，例如是指摄像机中的感光元片的长边与自动化设备的X轴所成的夹角。摄像机实际上采集到图像倾斜，所以在进行识别操作之前必须将图像摆正。具体地，求取本征旋转角的方法如下：等步距地使自动化设备的工作台沿X轴或者Y轴移动多个位置，通过模板匹配法在各个位置识别工作台中的特定目标，并同时基于自动化设备的坐标系记录工作台的坐标。这样一来，可以在工作台多次移动的过程中识别得到一组与摄像机的坐标关联的坐标数据集S。通常可以通过对该坐标点集S求平均值，再通过反正切的计算就能得到本征旋转角。但这种方法对噪声比较敏感。优选地，可以采用主元分析法(Principal componentanalysis，PCA)来求解本征旋转角。利用PCA方法求解本征旋转角的过程如下：将点集S中心化后组成一个样本数据矩阵A，其中，每一行代表一个位置点数据，每一列代表位置点的一个坐标分量，如果有n个2D(二维)数据点，则A就是一个n×2矩阵；通过矩阵A构造协方差矩阵M，M＝A’*A，然后对矩阵M进行特征值分解MV＝aV，其中矩阵V就是与特征a对应的特征向量，即代表主元的向量，有了该向量就能求得本征旋转角。图3所示为PCA方法的说明示意图，右边的箭头就是点集的主元向量，可以反映点集与坐标主轴的夹角，从而表示了本征旋转角。由于数据点的个数大于2，因此矩阵分解实际是一个求解超定方程组的最小二乘解的过程。最小二乘解比前述的代数均值解具有更好的稳定性。
由于存在畸变和其他因素，识别出来的数据和实际值之间存在偏差，但可以通过数值分析法来减少偏差。常用的插值补偿有两种：立方曲面插值和正则化网络。前者过已知点，对定义范围内的点有很好的预测能力，但定义外的点预测不佳，而正则化网络的插值补偿方法类似B样条曲线的插值，是一堆基函数的叠加，但基函数使用的是径向基函数(比较常用的是高斯函数)。正则化网络可以设定一个很小的惩罚系数λ来表示与已知点的距离，惩罚系数比如采用大于0并且小于等于0.3的合适值(0＜λ≤0.3)，如图4所示的0.1和0.3的惩罚系数时的点拟合图。这样既保证精度要求，又有一定的泛化能力。其实，采用该范围惩罚系数是一种保守的做法，但是非常合适求解等尺度多输入的不适定问题(比如，函数逼近、系统模型估计等)。
在使用正则化网络插值方法的过程中，还需要建立2D插值网格，即是需要一块标准的网格作为参考。在一个实施例中，如图5所示，可以使用一块精度很高的固频栅格点阵来建立插值曲面。在两个网格点之间的距离误差优选为0.001mm，摄像机的空间分辨率优选为0.01/像素，使两者之间的数量级可以相差一个等级，因此可以用前者来对后者进行校验。然后，将节点阵列组成的网格板置于摄像机的视场内，采集一张栅格的图像。通过节点的圆周拟合求出各个圆点的实际空间坐标，并把数据中心化，通过PCA方法将数据进行摆正，再与栅格的标称位置求差，得到各个点的dx值和dy值。图5的网格可以提取得到99个节点，那么就形成一个99×99的格林矩阵，最后得到正则网络的99个基函数各自的系数。
为了实现对自动化设备的坐标和路径的补偿，还需要计算旋转转换量R和偏移转换量t。只要将所述旋转转换量R和偏移转换量t分配到自动化设备的数控系统，从而对目标工件的位置和运动轨迹进行精度补偿。图6所示为在一实施例中原始点集与目标点集之间的转换示意图。图中点集Q代表要识别的特征点(Mark点)的原始位置，点集P代表点集Q经过旋转R和偏移T后的实际位置，即工件的摆放位置。由于识别出来数据存在误差，所以偏转角和偏移量的精确解是不存在的，但存在满足一定条件下最优的解。这里的条件实际上是一个指标函数。优选地，在本实施例中采用的优化方法为：最小化几何距离的平方，即实际点集Q与对应的已知点P集之间的距离之和来求解旋转转换量R和偏移转换量t，计算公式如下：
其中，pi和qi分别代表点集P和点集Q中各个点的坐标，wi为系数。对于上述旋转转换量R和偏移转换量t的最小化距离平方的非线性指标函数，可以采用列文伯格-马夸尔特(Levenberg-Marquardt)迭代法来求解。该算法是全局稳定收敛，但需要计算上述公式的一阶导数。在一个2D的具体的例中，识别出下列点集：
然后通过上述的算法计算得到旋转量R为0.686°(即是实际点集Q是通过已知点集P旋转旋转0.686°)，平移量t为(54.624，54.837)(即是实际点集Q是通过已知点集P沿X轴平移54.624个单位，沿Y轴平移54.837个单位)。结合均值为0、方差为0.002的高斯干扰，还可以得到R：0.688；t：(54.626，54.839)。
上述实施例描述了根据本发明的机器视觉误差分析和处理的方法，这当中也涉及到一些系统重构方面的内容，如求解不适定问题等，而这些方法并不局限于图像识别领域。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (9)

1.一种基于机器视觉的精度补偿方法，包括以下步骤：
A、布置摄像模块和精度补偿目标，固定所述摄像模块，并且使所述精度补偿目标可动地处于所述摄像模块的视场内；
B、通过识别标定件中的特定元素，确定摄像模块的畸变系数和本征旋转角，其中，使所述精度补偿目标等距地沿直角坐标轴移动多次并且同时通过所述摄像模块在每次移动时获取所述精度补偿目标上的特定点，然后采用主元分析法对获取的多个特定点计算得到所述摄像模块的本征旋转角；
C、通过摄像模块对多个处于预设位置的已知点进行识别，然后采用正则化网络插值算法和预设的惩罚系数，对所述多个已知点的识别值进行逼近和拟合，从而实现所述摄像模块的识别精度补偿；
D、确定摄像模块的畸变系数、本征旋转角和识别精度补偿后，获取多个精度补偿目标上的多个特征点的原始位置点集，通过摄像模块识别与所述多个特征点对应的实际位置点集；
E、根据所述原始位置点集和所述实际位置点集，采用迭代算法计算旋转转换数据和偏移转换数据，然后将所述旋转转换数据和偏移转换数据分配到所述精度补偿目标从而实现精度补偿。
2.根据权利要求1所述的基于机器视觉的精度补偿方法，其中所述步骤A包括：
布置一个或多个光源设备，以保证所述摄像模块的视场内的物体被充分照明。
3.根据权利要求1所述的基于机器视觉的精度补偿方法，其中所述步骤B包括：
通过识别多个方位的栅格标定板中的边缘，调用本地图像处理库来计算摄像模块的径向畸变系数，并且计算单应矩阵以确定摄像模块的切向畸变系数。
4.根据权利要求1所述的基于机器视觉的精度补偿方法，其中所述步骤C包括：
配置标准化网格模板用于生成正则化网络插值，所述标准化网格模板由预设间距的多个圆形的点阵元件组成；
将点阵置于所述摄像模块的视场内并采集所述标准化网格模板的图像；
通过圆周拟合求出各个点阵元件的实际的位置数据，将该位置数据中心化并且根据标准化网格模板中的点阵元件的间距数据进行摆正，从而获得用于正则化网络插值的二维插值网格。
5.根据权利要求1所述的基于机器视觉的精度补偿方法，其特征在于，所述步骤C中预设的惩罚系数大于0并且小于等于0.3。
6.根据权利要求1所述的基于机器视觉的精度补偿方法，其中所述步骤D包括：
通过数控系统控制所述精度补偿目标定位在多个预设的位置，所述数控系统每次定位所述精度补偿目标的同时，发送信号到所述摄像模块以触发摄像模块同步采集所述精度补偿目标上的特征点。
7.根据权利要求1所述的基于机器视觉的精度补偿方法，其特征在于，所述步骤E中采用的迭代算法为列文伯格-马夸尔特法。
8.根据权利要求1所述的基于机器视觉的精度补偿方法，其特征在于，所述摄像模块包括摄像头和镜头。
9.根据权利要求1所述的基于机器视觉的精度补偿方法，其特征在于，所述精度补偿目标包括与数控设备的坐标系关联的工作台、工件和/或定位构件。
CN201510511620.6A 2015-08-19 2015-08-19 一种基于机器视觉的精度补偿方法 Active CN105205806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510511620.6A CN105205806B (zh) 2015-08-19 2015-08-19 一种基于机器视觉的精度补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510511620.6A CN105205806B (zh) 2015-08-19 2015-08-19 一种基于机器视觉的精度补偿方法

Publications (2)

Publication Number Publication Date
CN105205806A CN105205806A (zh) 2015-12-30
CN105205806B true CN105205806B (zh) 2018-03-02

Family

ID=54953468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510511620.6A Active CN105205806B (zh) 2015-08-19 2015-08-19 一种基于机器视觉的精度补偿方法

Country Status (1)

Country Link
CN (1) CN105205806B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107703528B (zh) * 2017-09-25 2020-10-27 武汉光庭科技有限公司 自动驾驶中结合低精度gps的视觉定位方法及系统
CN107886918B (zh) * 2017-11-11 2020-04-28 上海本趣网络科技有限公司 一种视频图像实时修正方法
CN109985846B (zh) * 2019-01-11 2022-07-08 贵州电网有限责任公司 一种变电站带电水冲洗机器人的激光雷达标定方法
CN113034604A (zh) * 2019-12-25 2021-06-25 南京极智嘉机器人有限公司 标定系统、方法及自导引机器人
CN111445505B (zh) * 2020-03-25 2023-05-30 哈尔滨工程大学 一种基于二次配准的水对空成像畸变校正算法
CN111914856B (zh) * 2020-08-11 2023-05-05 上海柏楚电子科技股份有限公司 板材余料的排样方法、装置、系统、电子设备及存储介质
CN112985265B (zh) * 2021-04-20 2021-07-30 苏州维嘉科技股份有限公司 线阵相机及其精度补偿方法、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102037312A (zh) * 2008-05-22 2011-04-27 麦克罗尼克迈达塔有限责任公司 用于工件上先后形成的层之间的重叠补偿的方法和装置
CN101438577B (zh) * 2006-03-29 2013-03-27 数字光学欧洲有限公司 具有改善的图像质量的图像获取装置
CN103157909A (zh) * 2011-12-16 2013-06-19 财团法人工业技术研究院 激光加工误差校正方法及处理器
WO2013161348A1 (ja) * 2012-04-24 2013-10-31 オリンパス株式会社 画像処理プログラム及び画像処理装置
WO2014069103A1 (ja) * 2012-10-29 2014-05-08 株式会社日立国際電気 画像処理装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101438577B (zh) * 2006-03-29 2013-03-27 数字光学欧洲有限公司 具有改善的图像质量的图像获取装置
CN102037312A (zh) * 2008-05-22 2011-04-27 麦克罗尼克迈达塔有限责任公司 用于工件上先后形成的层之间的重叠补偿的方法和装置
CN103157909A (zh) * 2011-12-16 2013-06-19 财团法人工业技术研究院 激光加工误差校正方法及处理器
WO2013161348A1 (ja) * 2012-04-24 2013-10-31 オリンパス株式会社 画像処理プログラム及び画像処理装置
WO2014069103A1 (ja) * 2012-10-29 2014-05-08 株式会社日立国際電気 画像処理装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Geometric calibration of digital cameras through multi-view rectification;Luca Lucchese;《Image and Vision Computing》;20051231;第517-539页 *
一种光学镜头摄像机图象几何畸变的修正方法;廖士中 等;《中国图象图形学报》;20000731;第5卷(第7期);第593-596页 *
基于空间插值的工业机器人精度补偿方法理论与试验;周炜;《机械工程学报》;20130228;第49卷(第3期);第42-48页 *
机器视觉系统中图像误差补偿方法;王跃轩 等;《数据采集与处理》;20051231;第20卷(第4期);第472-477页 *

Also Published As

Publication number Publication date
CN105205806A (zh) 2015-12-30

Similar Documents

Publication Publication Date Title
CN105205806B (zh) 一种基于机器视觉的精度补偿方法
CN107358631B (zh) 一种虑及三维畸变的双目视觉重建方法
CN104713885B (zh) 一种用于pcb板在线检测的结构光辅助双目测量方法
CN104851104B (zh) 采用柔性靶标高速摄相机近景大视场标定方法
CN105066884A (zh) 一种机器人末端定位偏差校正方法及系统
WO2020223594A2 (en) Automated 360-degree dense point object inspection
CN102376089B (zh) 一种标靶校正方法及系统
CN104537707B (zh) 像方型立体视觉在线移动实时测量系统
CN109859272B (zh) 一种自动对焦双目摄像头标定方法及装置
CN109859277A (zh) 一种基于Halcon的机器人视觉系统标定方法
CN106780623A (zh) 一种机器人视觉系统快速标定方法
CN109360794B (zh) 一种晶硅光伏太阳能电池电极二次印刷精度视觉检测方法及装置
CN103048331A (zh) 基于柔性模板配准的印刷缺陷检测方法
CN111707187B (zh) 一种大型零件的测量方法及系统
CN108986070A (zh) 一种基于高速视频测量的岩石裂缝扩展实验监测方法
EP3332387B1 (en) Method for calibration of a stereo camera
US20190082173A1 (en) Apparatus and method for generating a camera model for an imaging system
CN106996748A (zh) 一种基于双目视觉的轮径测量方法
CN108470356A (zh) 一种基于双目视觉的目标对象快速测距方法
CN111105466B (zh) 一种ct系统中相机的标定方法
CN109544642B (zh) 一种基于n型靶标的tdi-ccd相机参数标定方法
CN113119129A (zh) 一种基于标准球的单目测距定位方法
CN112767338A (zh) 一种基于双目视觉的装配式桥梁预制构件吊装定位系统及其方法
CN116625258A (zh) 链条间距测量系统及链条间距测量方法
CN104156974A (zh) 基于多重约束的摄像机畸变标定方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 529000 No. 61 Yongsheng Road, Pengjiang District, Guangdong, Jiangmen

Patentee after: Guangdong Kejie Technology Co.,Ltd.

Address before: 529030 No. 61, Yongsheng Road, Pengjiang district, Jiangmen City, Guangdong Province

Patentee before: Guangdong Kejie Machinery Automation Co.,Ltd.

CP03 Change of name, title or address